IA locale : quels usages sur les PC et smartphones de vos équipes ?

En 2026, l’IA locale permet de produire de courts résumés, de retravailler des brouillons et de traiter la parole sur les appareils des équipes. Mais c’est toujours l’application qui décide si les données en sortent. Commencez par un workflow bien délimité, rendez tout recours au cloud explicite et évaluez les résultats sur vos propres documents avant d’élargir les usages.

Pour un responsable opérationnel, la bonne question est de savoir quelle partie d’une tâche peut rester sur un ordinateur portable ou un téléphone. Mieux vaut commencer par un intervenant qui transforme ses notes en compte rendu de passation que par un assistant censé rechercher, raisonner et agir à l’échelle de toute l’entreprise.

Vérifié dans la documentation en ligne des éditeurs et fabricants le 23 octobre 2026. Le tableau des tâches ci-dessous analyse les capacités et les prérequis documentés ; il ne constitue pas un benchmark de performances.

Qu’est-ce que l’IA locale sur un appareil ?

L’IA locale, ou IA embarquée sur un appareil, exécute le modèle sur le processeur de cet appareil. Il peut s’agir du processeur central (CPU), du processeur graphique (GPU) ou d’une unité de traitement neuronal (NPU), une puce conçue pour les calculs d’IA qu’elle prend en charge. Exécuter un modèle pour produire une réponse s’appelle l’inférence. Un NPU exige un logiciel conçu pour l’utiliser : sa présence n’accélère pas automatiquement toutes les applications d’IA. Guide Microsoft du développement pour NPU

Imaginez un traducteur assis à côté de vous, document en main, plutôt qu’un traducteur auquel il faut expédier le document dans un autre bureau. L’inférence locale garde ce traitement près de vous. L’application peut tout de même en envoyer une copie ailleurs, comme quelqu’un pourrait ensuite transmettre le document traduit par e-mail.

Aucune donnée n’a besoin de quitter l’appareil lors d’un appel au modèle local. En revanche, l’application qui l’entoure peut envoyer des prompts, synchroniser des documents, appeler un outil en ligne ou choisir un modèle cloud. Le framework d’Apple permet par exemple de donner au modèle des outils qui interrogent des bases de données locales ou en ligne. Le lieu du traitement et le partage des données par l’application relèvent de deux décisions distinctes. Documentation Apple de Foundation Models

Une fonction d’IA hors ligne demande aussi de la préparation. Les fichiers du modèle doivent déjà être présents, et l’application doit pouvoir accéder aux données d’entrée sans connexion réseau. Un modèle local ne peut pas résumer un document qui n’existe que dans un système distant inaccessible.

Quels modèles peut-on déjà faire tourner sur les appareils de l’entreprise ?

Partez du logiciel adapté à votre workflow, puis vérifiez le matériel. Les frameworks d’Apple et de Google fournissent des briques pour développer des applications ; Windows propose certaines fonctions prêtes à l’emploi ; les logiciels d’exécution de modèles sur ordinateur permettent aux équipes ou aux développeurs de choisir leurs propres modèles. Ce sont des voies d’adoption différentes.

Apple Foundation Models : des fonctions ciblées dans votre application

Le framework Foundation Models d’Apple est une interface permettant de créer des fonctions fondées sur un modèle en Swift, le langage de programmation d’Apple. Son modèle embarqué sait notamment résumer un texte fourni, en extraire des informations et retravailler un brouillon. La génération guidée peut renvoyer une structure de données Swift prédéfinie, utile lorsqu’une application attend des champs plutôt qu’un paragraphe. Présentation du framework Apple

Pour un responsable produit, transformer la note d’un technicien en compte rendu de passation structuré, à faire valider par une personne, est un usage pertinent. L’application fournit le contenu source et définit le résultat attendu. La tâche est bien plus circonscrite que de demander au modèle de décider comment réparer l’équipement.

Dans son guide actuel de génération, Apple cite la création de code, les mathématiques élémentaires et le raisonnement logique parmi les tâches à éviter avec son modèle embarqué. Confiez les calculs et la validation au code classique de l’application, et évaluez tout contenu généré susceptible d’avoir des conséquences. Recommandations Apple sur les capacités du modèle

Le framework est disponible à partir de la génération iOS 26, iPadOS 26 et macOS 26 ; les API plus récentes ont leurs propres conditions de disponibilité. Le matériel doit prendre en charge Apple Intelligence : c’est notamment le cas de l’iPhone 15 Pro, de l’iPhone 16 et des modèles ultérieurs, ainsi que des Mac équipés d’une puce M1 ou ultérieure. Vérifiez la disponibilité effective du modèle à l’exécution, en tenant compte de la langue, de la région et de l’état de téléchargement. Disponibilité du framework, Appareils compatibles selon Apple

Sélectionnez explicitement le modèle embarqué dans l’implémentation. Le framework prend désormais aussi en charge Private Cloud Compute et d’autres fournisseurs de modèles sur serveur. Savoir qu’une application utilise Foundation Models ne suffit donc plus à déterminer où une requête donnée est exécutée. Modèles pris en charge par Apple

L’IA embarquée de Google sur Android et dans Chrome

Google Gemini Nano est le modèle local utilisé par AICore, le service système d’Android. Les développeurs y accèdent via ML Kit, qui propose notamment des API de résumé, de correction et de réécriture. Pour une application d’intervention sur le terrain, raccourcir une note fournie par un salarié constitue un pilote raisonnable. Présentation de Google pour Android

La compatibilité des appareils dépend de l’API et de la version du modèle. Appuyez-vous sur les listes d’appareils compatibles de Google et sur une vérification de disponibilité ; une version d’Android ou une quantité de RAM ne suffit pas à établir la compatibilité. Une contrainte opérationnelle s’ajoute : l’inférence ML Kit GenAI n’est autorisée que lorsque l’application est au premier plan, et des quotas de requêtes et de consommation de batterie s’appliquent. Ce n’est donc pas une bonne base pour une file de traitement de documents fonctionnant sans supervision en arrière-plan. Prérequis et limites de ML Kit

Plus souple, la Prompt API reste en bêta, sans accord de niveau de service ni politique de dépréciation. Google peut donc y apporter des modifications qui rompent la compatibilité. Évaluez cette dépendance avant d’en faire un élément indispensable au travail des équipes. Statut de la Prompt API de Google

Google Chrome donne accès à Gemini Nano par des API intégrées au navigateur sur les ordinateurs de bureau et portables compatibles. Un produit web peut ainsi proposer un résumé local d’un texte dont il dispose déjà ; la Summarizer API est disponible dans la version stable de Chrome, sous réserve de vérifier la disponibilité de la fonction et du modèle. Documentation de la Summarizer API de Chrome

L’exécution sur CPU nécessite au moins 16 Go de RAM et 4 cœurs CPU ; sur GPU, elle exige strictement plus de 4 Go de VRAM, la mémoire du processeur graphique. Google demande également 22 Go d’espace disque libre sur le volume qui héberge le profil Chrome. Il s’agit d’un espace libre requis, et non d’une indication de la taille du modèle lui-même. Ces API de modèles de fondation ne fonctionnent actuellement pas dans Chrome sur Android ou iOS. Prérequis matériels de Chrome

Pour un outil web interne, cela impose de vérifier le parc de navigateurs des équipes avant de promettre un accès à tous. Le texte d’origine et un workflow manuel doivent rester utilisables lorsque le modèle local est indisponible.

Copilot+ PCs : des fonctions Windows utiles, aux limites précises

Les Copilot+ PCs de Microsoft disposent du matériel nécessaire à des fonctions Windows telles que la traduction avec Live Captions, Windows Studio Effects et la recherche Windows améliorée. Chacune a ses propres conditions de compatibilité matérielle, de langue et de déploiement. Guide Microsoft des fonctions pour les entreprises

Cette catégorie exige un NPU compatible de 40+ TOPS, 16 Go de RAM et 256 Go de stockage, en plus des prérequis de Windows. La puissance en TOPS s’exprime en milliers de milliards d’opérations par seconde : cette mesure décrit une capacité de calcul, pas la qualité avec laquelle un modèle répondra à votre question métier. Spécifications matérielles de Microsoft

Live Captions illustre bien une fonction locale : selon Microsoft, le traitement audio et la génération des sous-titres restent sur l’appareil. Le sous-titrage standard existe déjà dans Windows ; Copilot+ y ajoute la traduction. Toutefois, les sous-titres générés ne sont pas enregistrés. Il ne s’agit donc ni d’une archive de réunion ni d’un remplacement pour un workflow qui doit conserver les transcriptions. Documentation Microsoft de Live Captions

Avant un achat, identifiez la fonction qui justifie le matériel. Acheter un NPU ne transfère pas sur cette puce les fonctions cloud de Microsoft Copilot ni n’importe quel modèle exécuté sur ordinateur. Spécifications de l’IA sous Windows, Prérequis logiciels des NPU

Ollama et LM Studio : choisir soi-même son LLM local

Ollama est un logiciel d’exécution de modèles locaux doté d’une API que les applications peuvent appeler. Sa documentation distingue l’exécution locale de ses fonctions cloud optionnelles. Il convient à un développeur qui souhaite relier un modèle local à un workflow existant et vérifier s’il utilise les ressources du CPU ou du GPU. Documentation d’Ollama

Pour limiter le workflow au traitement local, Ollama documente le paramètre disable_ollama_cloud: true dans la configuration du serveur, ou la variable d’environnement OLLAMA_NO_CLOUD=1, suivie d’un redémarrage. Ce réglage désactive les modèles cloud d’Ollama et la recherche web. Il ne contrôle pas le comportement réseau d’une autre application connectée à Ollama. Configuration exclusivement locale d’Ollama

LM Studio propose une interface de bureau pour télécharger et charger des modèles, puis dialoguer avec eux, notamment dans les familles Qwen, Mistral et Gemma. Ces modèles sont dits à poids ouverts lorsque leur éditeur met à disposition les fichiers du modèle entraîné ; leurs licences restent différentes. Guide de démarrage de LM Studio

Une fois les fichiers téléchargés, LM Studio permet de dialoguer hors ligne, de traiter des documents en local et d’utiliser un serveur local. Sa politique de confidentialité actuelle décrit séparément les modèles cloud et la recherche web proposés en option. Choisissez délibérément le mode d’exécution local. Fonctionnement hors ligne, Politique de confidentialité actuelle de LM Studio

LM Studio recommande au moins 16 Go de RAM, avec des prérequis supplémentaires selon la plateforme. C’est un point de départ, pas la garantie que tous les modèles tiendront en mémoire. Les Mac Intel ne sont pas pris en charge, contrairement aux Mac Apple Silicon. Sous Windows, la version x64 exige un CPU compatible AVX2. Configuration requise pour LM Studio

Consultez le guide des meilleurs LLM locaux pour choisir un modèle adapté à la machine, et le comparatif Ollama vs LM Studio pour comparer les logiciels d’exécution, le déploiement et les licences pour un usage professionnel. Le logiciel d’exécution et le modèle sont deux choix distincts.

Quelles tâches confier aux appareils des équipes ?

Le traitement local présente le plus d’intérêt lorsque les données sont déjà sur place, que la tâche est bien délimitée et qu’une personne peut contrôler le résultat. Le cloud reste une option utile lorsque le travail dépasse les capacités de l’appareil ou nécessite un service géré de manière centralisée. La dernière colonne propose une appréciation pour guider l’adoption, pas un classement de qualité mesurée.

Pour la transcription, distinguez la reconnaissance vocale de la production d’un résumé. Un modèle de langage qui réécrit du texte n’est pas automatiquement capable de transcrire un enregistrement audio. Le mode Basic de Google utilise un modèle classique de reconnaissance vocale exécuté sur l’appareil ; son mode Advanced utilise un modèle génératif. L’application doit ensuite décider si le texte obtenu est enregistré, et où. Guide Google de Speech Recognition

Pour les coûts, comparez l’appel payant à une API cloud avec une exécution locale gratuite, sans frais d’inférence cloud par appel, tout en comptabilisant le matériel, l’électricité et l’administration. Indications de Google sur le coût des API locales

Les limites à examiner au-delà du processeur

La première limite est souvent la quantité de travail que le modèle peut absorber, pas sa capacité à démarrer. La fenêtre de contexte est son espace de travail : elle accueille les instructions, le contenu source, l’historique de la conversation et la réponse.

Le guide actuel d’Apple indique une fenêtre de contexte de 4 096 tokens pour son modèle embarqué par défaut. Les tokens sont des fragments de texte ; l’entrée et la sortie se partagent ce budget. Le guide fournit aussi un moyen d’interroger la capacité réelle du modèle utilisé. Pour un document long, on ne peut donc pas considérer que toute la fenêtre est disponible pour le seul texte source. Guide Apple de la fenêtre de contexte

Découper un document en segments peut aider à le faire tenir, mais l’application doit préserver les liens entre ces segments. Si une échéance figure dans une section et son exception dans une autre, des résumés isolés risquent de perdre ce lien. Évaluez la tâche dans son ensemble, pas seulement le fait que chaque segment ait produit du texte.

Les modèles sur ordinateur ont aussi besoin de mémoire pour leurs poids et leur état de travail. Un contexte plus long et des requêtes simultanées peuvent augmenter la consommation de mémoire. Un modèle adapté à une personne qui rédige une réponse peut ne pas convenir à un traitement par lots en arrière-plan lorsque d’autres applications sont ouvertes. Recommandations d’Ollama sur la mémoire et les requêtes simultanées

Le test pratique doit donc se faire sur des appareils représentatifs de ceux des équipes, avec leurs applications habituelles en cours d’exécution. Relevez, pour votre propre charge de travail, le temps nécessaire, les requêtes en échec, l’effort de correction et l’impact sur la batterie. Aucun des seuils matériels ci-dessus ne garantit une vitesse ou une qualité universelle.

Confidentialité et conformité : toute l’application compte

Le traitement sur l’appareil peut supprimer un transfert vers le cloud dans un workflow ; il ne peut pas en certifier la conformité. Déterminez ce que la fonction choisie envoie, stocke et expose, puis faites évaluer cette configuration par les responsables concernés de la sécurité et de la conformité.

Les engagements des éditeurs et fabricants ont un périmètre précis :

• Apple : son modèle embarqué peut fonctionner sans connexion, mais Foundation Models prend aussi en charge des fournisseurs cloud et des outils qui récupèrent des données en ligne. Consignez le modèle et les outils sélectionnés par l’application. Modèles pris en charge par Apple
• Google sur Android : ML Kit indique que les données d’entrée et les résultats ne sont pas envoyés à Google. Il transmet toutefois des mesures de performances et d’utilisation, et contacte des serveurs pour les mises à jour. Traiter le contenu localement ne signifie pas qu’il n’y a aucune activité réseau. Conditions de confidentialité de ML Kit
• Google dans Chrome : selon Google, l’utilisation du modèle local n’envoie aucune donnée à Google ni à des tiers ; le réseau est nécessaire pour le téléchargement initial du modèle. Cet engagement n’empêche pas le site web qui utilise l’API d’envoyer des données par son propre code. Prérequis des modèles de Chrome
• Microsoft : Live Captions effectue son traitement localement, mais d’autres fonctions obéissent à des règles différentes. Paint Cocreator génère les images sur le NPU tout en utilisant des services de sécurité dans le cloud ; Microsoft indique collecter les prompts et des identifiants pour prévenir les abus. Un résultat généré localement ne prouve pas que toute la fonction reste locale. Explications sur la confidentialité de Cocreator
• Logiciels d’exécution sur ordinateur : l’engagement de confidentialité locale d’Ollama s’applique lors d’une exécution locale. La politique actuelle de LM Studio distingue le traitement local des services cloud optionnels. Même si un fournisseur cloud promet de ne pas conserver une requête, celle-ci a bien quitté l’appareil. Ollama, LM Studio

Avant que les équipes utilisent des données sensibles, documentez l’emplacement des sources, le modèle choisi, les requêtes sortantes, l’historique local, les sauvegardes et le fonctionnement de la suppression. Incluez les extensions et les outils connectés dans cet examen. Le chiffrement des appareils et le contrôle des accès comptent aussi : garder le contenu en local, c’est également en conserver des copies sur le matériel des salariés.

Quelles promesses sont exagérées ?

Affirmer qu’un ordinateur portable peut remplacer un service d’IA cloud revient à confondre un calcul avec un mode d’exploitation. On peut déplacer l’inférence tout en ayant encore besoin de mises à jour des modèles, d’assistance, de permissions, d’évaluation et d’un moyen de gérer les tâches en échec.

Un NPU est utile pour les charges de travail compatibles. Il ne garantit pas la compatibilité avec tous les modèles. Une réponse hors ligne évite un aller-retour réseau pendant l’inférence ; cela ne prouve pas qu’elle arrive plus vite. Et un modèle installé localement peut toujours inventer des détails ou produire un résultat inadapté.

L’affirmation inverse n’aide pas davantage : les modèles locaux n’ont pas besoin de remplacer votre modèle cloud le plus performant pour être utiles. Une révision de brouillon fiable ou un court résumé peuvent suffire à justifier leur adoption. Il faut déterminer si cette fonction précise répond à vos critères d’acceptation sur les appareils dont disposent les équipes.

Qui devrait passer à l’IA locale dès maintenant ?

Les responsables opérationnels peuvent déjà tester des tâches délimitées et vérifiables ; les acheteurs devraient attendre qu’un besoin matériel soit démontré. La prochaine étape dépend du rôle de chacun.

Pour un responsable opérationnel, commencez par une tâche récurrente, comme raccourcir des notes internes de passation. Choisissez des données d’entrée dont le résultat attendu est connu et exigez une validation humaine. Gardez la source d’origine accessible pour permettre la comparaison.

Pour un développeur ou un responsable produit, utilisez l’API de la plateforme lorsqu’elle correspond aux appareils déployés et à la fonction visée. Intégrez au produit la vérification de disponibilité du modèle, les limites d’entrée et une solution de repli manuelle. Avec un parc de téléphones hétérogène, le produit doit rester utilisable par les personnes dont l’appareil ne peut pas exécuter la fonction.

Pour un acheteur ou un CTO, faites l’inventaire des machines existantes avant de commander leur remplacement. Distinguez le besoin d’une fonction Windows particulière utilisant le NPU du besoin d’un logiciel d’exécution de modèles sur ordinateur. Validez la dépense matérielle après que le workflow choisi a démontré son utilité sur des machines représentatives.

Attendez si le travail envisagé consiste en un traitement de masse sans supervision avec une API qui interdit l’inférence en arrière-plan, ou si le modèle local n’atteint pas la qualité requise. Conservez la configuration actuelle si un workflow cloud approuvé répond déjà au besoin et que le fonctionnement local n’apporte aucun avantage utile en matière de confidentialité, de connectivité ou d’exploitation.

Dès lundi : tester un workflow

1. 1

   Choisir la tâche et fixer la limite de circulation des données

   Définissez une entrée et une sortie précises, par exemple une note de passation à transformer en un brouillon plus court. Décidez si une partie de ce contenu peut quitter l’appareil avant de configurer une solution de repli.

2. 2

   Vérifier les appareils réels et la disponibilité du modèle

   Faites l’inventaire du système d’exploitation, de la puce, de la mémoire et du stockage libre concernés. Téléchargez le modèle nécessaire, confirmez sa disponibilité et prévoyez une voie manuelle pour les machines non compatibles.

3. 3

   Évaluer séparément le résultat et le comportement réseau

   Utilisez des exemples de données approuvés. Comparez le résultat à la source, examinez le trafic sortant et répétez hors ligne le workflow préparé. Son fonctionnement hors ligne constitue un indice utile sur ce parcours, mais ne prouve pas que l’application connectée n’envoie jamais de données.

4. 4

   Décider s’il faut élargir l’usage

   Consignez les échecs, l’effort de correction et la charge d’assistance, en plus du temps nécessaire. N’élargissez l’usage que si la tâche est utile et si le traitement des données respecte le périmètre prévu. Tout accès au cloud doit rester explicite là où il est autorisé.

Pour d’autres conseils pratiques sur l’adoption de l’IA, abonnez-vous à la newsletter.